Gids-gekoppelde quiz · Moeilijk Niveau

CUDA- en GPU-programmeerquiz

Controleer de kernconcepten van CUDA, waaronder kernels, SIMT-uitvoering, geheugentoegang, gedeeld geheugen en programmeertools voor GPU's op een hoger niveau.

Gerelateerde gidspadenCuda en GPU-programmering
Vraag 1 van 8

Wat is in CUDA-terminologie een 'kernel'?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat is in CUDA-terminologie een 'kernel'?
    • Een functie die parallel wordt uitgevoerd door veel GPU-threads
    • De kern van een besturingssysteem
    • Een soort geheugenchip
    • Het koelsysteem van de GPU
  2. Wat betekent het SIMT-uitvoeringsmodel?
    • Trage invoer, veel overdrachten
    • Eén instructie, meerdere threads voeren dezelfde instructie uit op verschillende gegevens
    • Eén afbeelding, meerdere texturen
    • Opeenvolgende instructies, handmatige timing
  3. Waarom vereisen PyTorch en TensorFlow zelden dat gebruikers onbewerkte CUDA schrijven?
    • GPU's kunnen geen gebruikerscode uitvoeren
    • CUDA is illegaal om rechtstreeks te gebruiken
    • Ze noemen intern geoptimaliseerde CUDA-bibliotheken zoals cuDNN en cuBLAS
    • Ze draaien alleen op CPU's
  4. Wat is 'warp-divergentie' en waarom schaadt dit de prestaties?
    • Een netwerkfout waardoor pakketten verloren gaan
    • De GPU buigt fysiek onder hitte
    • Een bug die geheugen verwijdert
    • Draden in een ketting hebben verschillende takken en moeten serieel lopen
  5. Waarom is 'samengevoegde' geheugentoegang belangrijk in CUDA?
    • Aangrenzende threads die aangrenzende adressen lezen, zijn veel efficiënter
    • Het codeert gegevens automatisch
    • Het maakt schijfruimte vrij
    • Het schakelt de GPU-fans uit
  6. What is OpenAI Triton in relation to CUDA programming?
    • A CUDA driver that replaces NVIDIA GPUs
    • A Python-like language and compiler for writing efficient GPU kernels
    • A model-serving server that only loads TensorFlow checkpoints
    • A framework that converts GPUs into CPUs
  7. What does a CUDA kernel launch configuration specify?
    • A model tokenizer vocabulary
    • The number of training labels
    • The grid and block dimensions used to organize thread execution
    • The host operating system
  8. Why might a CUDA kernel use shared memory?
    • To make data available across every cluster without communication
    • To replace all registers
    • To store the model permanently on the GPU
    • To let threads in a block reuse data from a faster on-chip memory space